Fisher判别法在人脸识别中的应用

"这篇论文探讨了基于Fisher判别法的人脸图像识别技术，作者舒予来自武汉理工大学信息工程学院。文章介绍了人脸识别的核心过程，包括特征提取和样本分类，并特别关注了K-L变换在特征提取中的应用以及Fisher判别法在样本分类中的作用。此外，论文还提供了Fisher判别法的仿真及Matlab源代码，关键词涵盖了人脸识别、K-L变换、Fisher判别法和Foley-Sammon方法。" 人脸识别技术在多种领域都有广泛应用，如安全监控、个人身份验证等，由于其非侵入性的特点，相较于其他生物识别方式如指纹和虹膜识别，更受用户欢迎。图像识别的基本流程包含两个关键环节：特征提取和样本分类。 特征提取是识别的第一步，比如在鱼类识别的例子中，通过图像处理计算出鱼的长度。而在更复杂的人脸识别中，特征可能包括眼睛、鼻子、嘴巴的位置、形状、大小等多种参数，这通常涉及到如K-L变换（Karhunen-Loève Transform）这样的技术，它能将高维数据转换为一组正交基，有效地减少数据维度，同时保留重要信息。 样本分类是识别的第二步，这通常涉及到机器学习算法。在鱼的识别例子中，分类基于简单的阈值规则。但在多特征的人脸识别中，Fisher判别法提供了一种有效的解决方案。Fisher判别法旨在找到一个投影方向，使得类别间距离最大化，类别内距离最小化，从而提高分类的准确性。这一方法尤其适用于高维特征空间，可以处理多个特征并找出最优的分类边界。 训练过程是通过已知的训练样本来确定分类准则，这是机器学习的核心。在Fisher判别法中，通过训练数据可以找到最佳的Fisher向量，用于后续未知样本的分类。Foley-Sammon方法则是一种改进的Fisher判别方法，它可以进一步优化特征空间的线性变换，增强不同类别之间的区分度。 这篇论文深入浅出地介绍了人脸识别的技术细节，特别是Fisher判别法在实际应用中的实现，对于理解人脸识别技术和相关算法有很高的参考价值。提供的Matlab源程序更是为研究人员和开发者提供了实践的起点，有助于他们在自己的项目中实现和优化人脸识别系统。